Investigación de IA

Mientras que el aprendizaje supervisado requiere grandes conjuntos de datos anotados para la formación de modelos, el aprendizaje automático con supervisión mínima utiliza datos no etiquetados y requiere una intervención humana mínima. Los enfoques de supervisión mínima, como el aprendizaje semisupervisado, autosupervisado, activo y el modelado de incertidumbre, utilizan otros marcos de aprendizaje para mejorar la precisión. Estos métodos son relevantes cuando el etiquetado manual requiere mucho tiempo o es costoso.

Desarrollamos enfoques de aprendizaje simulados que funcionan cuando los datos disponibles para la formación de modelos son limitados. Nuestros enfoques incluyen el uso de datos multimodales que aprovechan imágenes y texto, así como métodos de alucinación y metaaprendizaje intermodales. Los enfoques de aprendizaje personalizados son relevantes en todos los escenarios empresariales que tienen datos de formación limitados, tales como la clasificación de nuevos productos en catálogos en línea.

Nuestros modelos integrativos de respuesta visual a preguntas (VQA) mejoran la detección de información detallada y de métricas de evaluación de VQA, lo cual permite a las computadoras responder preguntas sobre una imagen utilizando el lenguaje natural. La aplicación de modelos de VQA abarca varias industrias y va desde la integración en chatbots inteligentes hasta los sistemas de emisión de tickets y procesamiento de facturas, así como la recuperación inteligente de información para diagnóstico de enfermedades.

Los modelos de aprendizaje profundo de última generación implican costos computacionales extensos y hardware costoso. Desarrollamos enfoques novedosos para un eficiente aprendizaje profundo sobre uso de los recursos, incluidas la evaluación de la complejidad del modelo, las redes eficientes en uso de recursos, la cuantificación, la poda, y la destilación del conocimiento. Los enfoques eficientes de aprendizaje profundo sobre las aplicaciones industriales ayudan a minimizar el costo monetario, el consumo de energía, el tiempo de inferencia y el impacto ambiental.

Desarrollamos enfoques de aprendizaje automático que imponen restricciones de privacidad y equidad, como la privacidad diferencial y el aprendizaje federado, así como el aprendizaje multitarea. Esto permite a las instituciones utilizar modelos de diagnóstico o predicción generalizados sin arriesgar la privacidad de las personas. Desarrollar algoritmos con restricciones de equidad también ayuda a mitigar el sesgo inconsciente en aplicaciones como las de calificación de crédito, préstamos bancarios o correspondencia de currículums.

Investigamos los enfoques de aprendizaje permanente que permiten que los modelos de aprendizaje automático aprendan de la manera en que lo hacen los humanos, de forma incremental y utilizando conocimientos previos para aprender nuevas tareas. Nuestros métodos incluyen enfoques de clase incremental, adaptación continua del dominio, neuroplasticidad y expansión de la capacidad adaptativa. Los modelos de aprendizaje automático que aprenden continuamente son relevantes en todas las situaciones en las cuales no es posible conservar datos de formación históricos.

Comprender el sentimiento y las opiniones expresados en lenguaje natural es un desafío clave en el procesamiento del lenguaje natural. Trabajamos en enfoques novedosos para el análisis de sentimientos, los cuales se centran en la incorporación neuronal de palabras y en métodos basados en la atención. El análisis de opiniones es relevante para sectores empresariales como las telecomunicaciones, la banca, los seguros y el comercio electrónico, donde las opiniones sobre productos y servicios deben analizarse y ponerse en acción.

Los modelos y algoritmos de aprendizaje automático han alcanzado un nivel de sofisticación sobresaliente, por lo que resulta difícil explicar las predicciones. Los enfoques de aprendizaje automático interpretables, como el aprendizaje autosupervisado y metasupervisado y los modelos impulsados por la curiosidad, permiten el descubrimiento de patrones en los datos. Esto es crucial en las aplicaciones empresariales, ya que proporciona transparencia y ayuda a explicar los motivos subyacentes de los resultados propuestos.

Extraer información de documentos estructurados y no estructurados es un desafío para el procesamiento en lenguaje natural (NLP), y encontrar datos etiquetados para entrenar modelos de machine learning es difícil. Nuestra investigación se centra en enfoques secuenciales y bidimensionales para documentos estructurados, combina elementos de NLP con visión por computadora, e incorpora modelos no supervisados y débilmente supervisados utilizando el aprendizaje de transferencia en pipelines de extracción de información.